特徴空間の構造の解明とパターン認識に適したカーネルの開発
| Project/Area Number |
17656130
|
|---|
| Research Category |
Grant-in-Aid for Exploratory Research
|
| Allocation Type | Single-year Grants |
|---|
| Research Field |
System engineering
|
|---|
| Research Institution | Kobe University |
|---|
Principal Investigator |
阿部 重夫 Kobe University, 工学研究科, 教授 (50294195)
|
|---|
| Project Period (FY) |
2005 – 2007
|
| Project Status |
Completed (Fiscal Year 2007)
|
| Budget Amount *help |
¥3,200,000 (Direct Cost: ¥3,200,000)
Fiscal Year 2007: ¥1,000,000 (Direct Cost: ¥1,000,000)
Fiscal Year 2006: ¥1,000,000 (Direct Cost: ¥1,000,000)
Fiscal Year 2005: ¥1,200,000 (Direct Cost: ¥1,200,000)
|
|---|
| Keywords | パターン認識 / サポートベクトルマシン / 特徴空間 / 標本特徴空間 / カーネル / マハラノビスカーネル |
|---|
| Research Abstract |
特徴空間は無限次元となりうるが,これに等価な標本特徴空間は最大でも教師データ数の次元の空間になる.この特徴を使って前年度に最小自乗サポートベクトルマシン(LS SVM)のスパース化を実現する方式を開発したが,今年度はさらにスパース化の研究を進め,以下の結論を得た.
(1)前年度開発したスパースLS SVMは標本特徴空間で主問題を解いていたが,標本特徴空間で双対問題を解く方式を開発し,両者の違いを数値的安定性および学習速度の観点から解析し,双対問題で解くと数値的不安定が生じることを明らかにした.
(2)スパースLS SVMを関数近似に拡張した.すなわちカーネルマトリックスをコレスキー分解する際に0判定を緩めることにより,一次独立になるデータ数を制限して縮小標本空間を作成する.さらにこの空間内で関数近似器を学習することによりスパースLS SVR(Support Vector Regressor)を実現した.
(2)スパースLS SVMではコレースキー分解により,特徴空間を縮小していたが,これでは分離に必要なデータを削除する可能性がある.このために標本特徴空間でDiscriminant Analysisを行うことにより分離に必要なデータを選択する方式を開発した.これにより,コレスキー分解で求めたスパースLS SVMよりさらにスパース性を向上することができた.
(3)通常のSVMを縮小標本特徴空間で双対問題で学習する方式を開発した.これにより,分離が難しい問題で通常のSVMよりさらにスパース性が向上することを確認した.
|
Report
(3 results)
Research Products
(13 results)
